Tract-RLFormer: A Tract-Specific RL policy based Decoder-only Transformer Network

要約

ファイバートラクトグラフィーは神経画像化の基礎であり、拡散 MRI を通じて脳の白質経路の詳細なマッピングを可能にします。
これは脳の接続性と機能を理解するために非常に重要であり、神経学的応用において貴重なツールとなります。
トラクトグラフィーはその重要性にもかかわらず、その複雑さと重要な経路を偽る偽陽性の影響を受けやすいため、課題に直面しています。
これらの問題に対処するために、最近の戦略は、正確なグランドトゥルースに依存する教師あり学習、またはグランドトゥルースなしで動作する強化学習を利用するディープラーニングに移行しています。
この研究では、教師あり学習と強化学習の両方を利用するネットワークである Tract-RLFormer を 2 段階のポリシー洗練プロセスで提案し、さまざまなデータセットにわたって精度と一般化可能性を大幅に向上させます。
地域固有のアプローチを採用することで、当社のネットワークは従来のセグメンテーション プロセスをバイパスして、対象地域を直接描写します。
TractoInferno、HCP、ISRMRM-2015 などのデータセットでの厳密な検証を通じて、私たちの方法論はトラクトグラフィーの飛躍的な進歩を実証し、脳の白質路を正確にマッピングする能力を示しています。

要約(オリジナル)

Fiber tractography is a cornerstone of neuroimaging, enabling the detailed mapping of the brain’s white matter pathways through diffusion MRI. This is crucial for understanding brain connectivity and function, making it a valuable tool in neurological applications. Despite its importance, tractography faces challenges due to its complexity and susceptibility to false positives, misrepresenting vital pathways. To address these issues, recent strategies have shifted towards deep learning, utilizing supervised learning, which depends on precise ground truth, or reinforcement learning, which operates without it. In this work, we propose Tract-RLFormer, a network utilizing both supervised and reinforcement learning, in a two-stage policy refinement process that markedly improves the accuracy and generalizability across various data-sets. By employing a tract-specific approach, our network directly delineates the tracts of interest, bypassing the traditional segmentation process. Through rigorous validation on datasets such as TractoInferno, HCP, and ISMRM-2015, our methodology demonstrates a leap forward in tractography, showcasing its ability to accurately map the brain’s white matter tracts.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google